The invention relates to a method and system for classified incremental behavior recognition, which is characterized by acquiring the initial behavior data of a user's fixed behavior category, and training a random forest model by using the initial behavior data and the behavior category to which the user belongs. The decision tree in the random forest model is expressed in the form of a hierarchical nested bounding box. Indicates that each node in the decision tree corresponds to a bounding box; obtains the behavior data of the user's new behavior category, obtains the new bounding box corresponding to the new behavior data according to the new behavior data and its category, and inserts new sections into the decision tree according to the relationship between the new bounding box and the current node bounding box of the decision tree. Point or split the leaf nodes of the decision tree to update the existing random forest behavior recognition model, and get the incremental behavior recognition model, and use the incremental behavior recognition model to identify the user's behavior.
【技术实现步骤摘要】
一种类别增量行为识别方法和系统
该专利技术涉及普适计算、增量学习技术和行为识别领域,特别涉及一种类别增量行为识别方法和系统。
技术介绍
近年来,大量研究表明执行日常行为的能力是人类身体健康的重要指标。例如,文献[ChenY,HuangM,HuC,etal.Acoarse-to-finefeatureselectionmethodforaccuratedetectionofcerebralsmallvesseldisease[C]//NeuralNetworks(IJCNN),2016InternationalJointConferenceon.IEEE,2016:2609-2616.]指出运动行为,如步行、指鼻等,与脑小血管疾病紧密相关。文献[ChenY,YuH,MiaoC,etal.Usingmotorpatternsforstrokedetection[J].Science(AdvancesinComputationalPsychophysiology),2015,350(6256):12-14.]指出手指的运动能力与脑卒中有很大关联。因此,研究基于日常行为的健康监护对于提高人们生活质量,应对老龄化社会等具有重要的现实意义。实时、准确的日常行为监测是日常行为监护的重要挑战。微型、可穿戴式传感器件的诞生与发展为日常行为监护提供了新的途径,其便携和低功耗等特性为实时和准确地感知用户行为提供了可能。可穿戴行为识别利用微型可穿戴设备采集用户的行为数据,通过机器学习模型分析行为数据与行为类别之间的映射关系,从而实现对用户日常行为的识别。目前,已广泛应用于健康监护 ...
【技术保护点】
1.一种类别增量行为识别方法,其特征在于,包括:步骤1、获取用户固定行为类别的初始行为数据,并以该初始行为数据及其所属行为类别训练随机森林模型,得到初始行为识别模型,该随机森林模型中决策树用分层嵌套包围盒的形式来表示,该决策树中每个节点对应一个包围盒;步骤2、获取用户新增行为类别的行为数据作为新增行为数据,根据该新增行为数据,得到其对应的新包围盒,根据该新包围盒与决策树当前节点包围盒的关系,向该决策树中插入新的节点或分裂该决策树的叶子节点,以更新该初始行为识别模型,得到增量行为识别模型,并使用该增量行为识别模型识别该用户的行为。
【技术特征摘要】
1.一种类别增量行为识别方法,其特征在于,包括:步骤1、获取用户固定行为类别的初始行为数据,并以该初始行为数据及其所属行为类别训练随机森林模型,得到初始行为识别模型,该随机森林模型中决策树用分层嵌套包围盒的形式来表示,该决策树中每个节点对应一个包围盒;步骤2、获取用户新增行为类别的行为数据作为新增行为数据,根据该新增行为数据,得到其对应的新包围盒,根据该新包围盒与决策树当前节点包围盒的关系,向该决策树中插入新的节点或分裂该决策树的叶子节点,以更新该初始行为识别模型,得到增量行为识别模型,并使用该增量行为识别模型识别该用户的行为。2.如权利要求1所述的类别增量行为识别方法,其特征在于,该步骤1中训练随机森林模型的具体过程包括:将该初始行为数据及其行为类别组合成特征向量,根据该特征向量每一维属性的最小值和最大值,在坐标系中构造轴对齐包围盒作为该初始行为数据的包围盒。3.如权利要求1所述的类别增量行为识别方法,其特征在于,该步骤2还包括:当该新增行为数据到达时,根据其包围盒与决策树当前节点包围盒之间的边界距离,选择具有最大边界距离的分离轴为分裂属性,并将分裂值选定为该分裂属性上间隔的中点,根据该分裂值将该新增行为数据对应的新包围盒插入决策树。4.如权利要求3所述的类别增量行为识别方法,其特征在于,该分裂属性的确定过程具体为:其中和分别表示第i个轴对齐包围盒的下边界和上边界,sAtt为分裂属性;该分裂值的确定过程具体为:其中splitValue是该分裂属性上的该分裂值,和分别表示sAtt分裂属性轴上的第i个轴对齐包围盒的下边界和上边界。5.如权利要求1所述的类别增量行为识别方法,其特征在于,向该决策树插入一个新的节点或分裂该决策树的叶子节点的过程具体包括:当该新增行为数据的新包围盒与该决策树中当前节点对应的包围盒没有交集时,插入一个新的节点作为该节点的父节点,并添加一个叶子节点对应该新增行为数据;当该决策树中当前节点的包围盒完全包含该新增行为数据的新包围盒时,该新增行为数据根据该决策树的划分到达相应的叶子节点;当该新增行为数据被传递到该决策树的叶子节点仍然无法被识别时,采用信息增益或者基尼指数分裂该叶子节点,将该新增行为数据划分至分裂后的节点;当该决策树中当前节点的包围盒包含部分该新增行为数据的新包围盒时,扩展该节点的轴对齐包围盒范围,使其覆盖该新增行为数据的新包围盒。6.一种类别增量行...
【专利技术属性】
技术研发人员:陈益强,胡春雨,高晨龙,
申请(专利权)人:中国科学院计算技术研究所,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。